我的课文不同。我的目标是确定并保留每个类中具有最高tf_idf值(最高20%)的功能。
作为示例,我使用var fW = (typeof getFormWarpRequest == "function" ? getFormWarpRequest() : document.forms["formWarpRequest"]);
if ( !fW || fW == undefined) { fW = ( formWarpRequest_THIS_ ? formWarpRequest_THIS_ : formWarpRequest_NS_ );}
var form = fW;
var ID=fW.elements["_oLstChoicesID"];
var SID=fW.elements["_oLstChoicesSID"];
ID.attachEvent("onclick", m_click);
function m_click()
{
for(i=0;i<fW._oLstChoicesID.length;i++)
{
fW._oLstChoicesID[i].selected=false;
fW._oLstChoicesID[i].disabled=true;
}
for(i=0;i<fW._oLstChoicesSID.length;i++)
{
fW._oLstChoicesSID[i].disabled=false;
}
}
数据集。 book_of_mormon
是文本,text
是类。
一个想法是使用tidy_text包并过滤每个类的前20%。
book_title
首先,我创建tf_idf值:
library(scriptuRs)
library(tidytext)
library(tidyverse)
然后,过滤每个类的tf_idf值的前20%。
d = book_of_mormon %>%
select(book_title, text) %>%
unnest_tokens(word, text) %>%
group_by(book_title) %>%
count(word) %>%
bind_tf_idf(word, book_title, n)
head(d, 3)
# A tibble: 3 x 6
# Groups: book_title [1]
book_title word n tf idf tf_idf
<chr> <chr> <int> <dbl> <dbl> <dbl>
1 1 Nephi a 200 0.00795 0 0
2 1 Nephi abhorreth 1 0.0000398 2.01 0.0000801
3 1 Nephi abide 1 0.0000398 0.916 0.0000364
最后,我将数据帧转换为(dtm)矩阵。因此,我将书籍作为观察,将特征作为专栏。
d = d %>%
group_by(book_title) %>%
arrange(book_title, -tf_idf) %>%
filter(tf_idf > quantile(tf_idf, .8))
但是,如果我将数据帧投射回矩阵(这对于我的任务是必需的),则行数会减少(即某些文档/观察结果会减少)。
d = d %>%
cast_dtm(word, book_title, tf_idf)
d = as.data.frame(as.matrix(d))
另一个想法是使用dim(d)
[1] 19099 6
dim(book_of_mormon)
[1] 6604 19
包。但是,使用大数据集(例如我的原始数据集),R将耗尽内存。
首先,我创建dtm和一个数据框。
tm
然后,我过滤每个类中具有最高值的特征。
library(tm)
corpus = Corpus(VectorSource(book_of_mormon$text))
corpus = corpus %>%
tm_map(removeWords, stopwords("en")) %>%
tm_map(removeNumbers) %>%
tm_map(removePunctuation) %>%
tm_map(tolower)
dtm = DocumentTermMatrix(corpus)
dtm = weightTfIdf(dtm, normalize = TRUE)
dtm = as.data.frame(as.matrix(dtm))
dtm$book_title = book_of_mormon$book_title
最后,我创建了一个过滤的dtm,其中每个类的前20%(前5个)功能部件。
dict = dtm %>%
gather(Variable, Value, -book_title) %>%
group_by(book_title) %>%
arrange(book_title, -Value) %>%
top_n(5, Value) # I use top_n to keep the data small (i.e it´s
# computational expensive to filter out the top
# 20% which would lead to a long runtime in R in this
# example)